تم دراسة تجميع البيانات باستخدام التشفيرات التلقائية العميقة بشكل مكثف في السنوات الأخيرة. تعتمد الطرق الحالية على تعلم السمات المدمجة والتصنيف التجميعي لنقاط البيانات في الفضاء الخفي في آن واحد. وعلى الرغم من أن العديد من النماذج العميقة للتصنيف تتفوق على النماذج السطحية في تحقيق نتائج ممتازة على عدة مجموعات بيانات ذات دلالة عالية، إلا أن ضعفًا حاسمًا في هذه النماذج قد تُهمل. في غياب إشارات إشرافية ملموسة، يمكن أن يؤدي دالة الهدف التجميعي المدمج إلى تشويه الفضاء الخفي من خلال التعلم من علامات افتراضية غير موثوقة. وبالتالي، قد تتعلم الشبكة سمات غير تمثيلية، مما يضعف قدرتها التمييزية، ويؤدي إلى توليد علامات افتراضية أسوأ. لتمييع تأثير السمات التمييزية العشوائية، اقترح الباحثون حديثًا استخدام خسارة إعادة البناء في مرحلة التدريب المسبق، وكذلك كعامل تنظيم أثناء مرحلة التجميع. ومع ذلك، قد يؤدي التناقض بين التجميع وإعادة البناء إلى ظهور ظاهرة "انحراف الميزات" (Feature Drift). في هذه الورقة، نقترح نموذج ADEC (التصنيف المدمج العميقي المضاد)، وهو نموذج جديد يعتمد على التشفير التلقائي، يعالج مشكلتين مزدوجتين، وهما: "عشوائية الميزات" (Feature Randomness) و"انحراف الميزات" (Feature Drift)، باستخدام التدريب المضاد. ونُظهر تجريبيًا ملاءمة نموذجنا في التعامل مع هذه المشكلات باستخدام مجموعات بيانات حقيقية معيارية. وتوصل النتائج التجريبية إلى أن نموذجنا يتفوق على أحدث الطرق القائمة على التشفير التلقائي في التجميع.